深度學習賦能設計的案例
深度學習賦能的熱學超材料智能設計
03
圖文導讀
圖1 深度學習賦能的熱學超材料智能設計示意圖
圖2 基于深度生成模型的拓撲功能單胞實時設計
圖3 多種自由形狀的熱隱身超材料設計及數值仿真結果
圖4 3D打印制備的熱學超器件及熱學實驗測試結果
END
★ 平臺聲明
部分素材源自網絡，版權歸原作者所有。分享目的僅為行業信息傳遞與交流，不代表本公眾號立場和證實其真實性與否。如有不適，請聯系我們及時處理。歡迎參與投稿分享！
五金模具設計之拉深模具設計，內容真的很有深度，值得學習！
在上模方面，凸模與拉深深度成比例變長。同時，壓邊用彈簧也必須變長。如果根據彈簧的變形量來決定彈簧長度，有時候所需長度空間比凸模還要長，上模變大，考慮與下模的平衡關系、模具閉合高度等因素，構造很難成立，甚至于無法實現。
這同樣也適用于下模的頂出裝置的彈簧。
考慮彈簧空間的影響，這種構造經常用于較淺的拉深。
從沖壓作業的角度來看這種模具，其作業性不算理想。進行說明的話，材料裝入下模的定位裝置中。上模下降進行拉深加工。加工得到的制件在被頂出裝置和上模的壓邊圈夾持的狀態下自凹模排出，但由于壓邊圈壓緊制件，制件殘留在凹模上。需由作業人員取出制件，然后將材料裝入模具內。作業人員需要進行將材料插入模具內和從模具內取出制件等兩個作業步驟，與僅需將拉深下出料的材料放入模具內的加工過程相比，其作業效率有所下降。
從零基礎到設計精英 專業在線教學 （五金沖壓模具-含端子，彈片，拉伸，連續，PRESSCAD，汽車模具-含鈑金件，覆蓋件，PRESSUG，AF工藝分析等 ） 更多學習資料加湯姆老師微信tommujushejixuexi。
展開 深度學習|基于MobileNet的多目標跟蹤深度學習算法
源自：控制與決策 作者：薛俊韜 馬若寒 胡超芳
摘要
針對深度學習算法在多目標跟蹤中的實時性問題, 提出一種基于MobileNet的多目標跟蹤算法. 借助于MobileNet深度可分離卷積能夠對深度網絡模型進行壓縮的原理, 將YOLOv3主干網絡替換為MobileNet, 通過將標準卷積分解為深度卷積和逐點卷積, 保留多尺度預測部分, 以有效減少參數量. 對于檢測得到的邊框信息, 利用Deep-SORT算法進行跟蹤. 實驗結果表明, 所提出方法在跟蹤效果基本不變的情況下可提升處理速度近50%.
關鍵詞
深度學習 多目標跟蹤 目標檢測 YOLOv3 deep-SORT MobileNet
0 引言
多目標跟蹤是計算機視覺領域的研究熱點, 可應用于交通監測、安防等多個領域, 具有一定的應用價值和挑戰性[1]. 檢測方式可以分為檢測跟蹤和無檢測跟蹤兩類, 前者需要檢測目標后再進行跟蹤; 后者需要在第1幀手動初始化目標, 然后進行跟蹤. 在目標跟蹤中, 涌現出許多具有良好性能的算法, 如SSD[2]、R-CNN[3-4]以及YOLO系列[5-7], 其中YOLOv3[7]算法在檢測跟蹤中體現出較強的優勢.
由于深度學習的發展, 卷積神經網絡模型逐漸替代了傳統手工設計的特征, 提供了一種端到端的處理方法, 精度也大幅提高. 但CNN模型在不斷提高精度的同時, 其網絡深度和尺寸也在成倍增長, 需要GPU來進行加速, 使得基于深度學習的跟蹤算法無法直接應用于移動設備, 導致難以符合實時性要求. 因此降低算法復雜度、提高實時性、簡化和加速模型便成為亟待解決的問題. 文獻[8-10]使用剪枝方法對神經網絡進行網絡壓縮. 文獻[11]提出從零開始訓練低秩約束卷積神經網絡模型的方法, 不僅速度得到提升, 而且在一些情況下模型性能也有所提高.
展開 【基于openfoam&fluent深度學習算法驅動的流體力學設計與應用】專題
【f'luet深度學習驅動流體力學專題】
Python編程偽譜法求解NS方程
方腔流、圓柱繞流、小球入水的Fluent求解流程
梯度下降算法的Python實現
二階函數極值問題的求解
經典模型實現流體超分辨
深度學習模型實現流體的超分辨
利用Neural ODE求解特定流體（多體問題）
流體力學的拉格朗日算法
流體力學的拉格朗日神經網絡
高精度格式求解可壓縮流體力學方程
深度學習模型求解可壓縮流體力學方程
Python編程實現反向追蹤算法
前沿技術深度聚焦理論與實踐結合，新興技術探討
【openfoam深度學習驅動的流體力學計算與應用】專題
基于OpenFOAM的矩形柱體LES模擬案例
基于python語言的CFD數據后處理
運用Python處理實驗數據
基于人工智能技術的流場預測與重構方法
運用UNet算法進行壓力時序預測
掌握基于多層感知機(MLP)的氣動性能預測方法
基于多層感知機(MLP)的民航超臨界機翼氣動性能預測
基于LES/DNS湍流模擬的時空超分辨率研究
基于深度學習的流場時序超分辨率處理
基于深度強化學習的矩形柱體主動流動控制
運用深度強化學習進行離散動作空間/連續動作空間的優化
耦合代理模型的深度強化學習在民航飛機外形優化中的應用
前沿文獻的解讀，如SORA技術、風烏技術等，了解人工智能技術在流體力學領域的最新進展，保持學術前沿性
可在某公某號咨詢：研而有信er （加關后有聯系方式可詳詢）
展開 
深度學習|會開發AI的AI：超網絡有望讓深度學習大眾化
給定一個為特定任務設計，未經訓練的新深度神經網絡，超網絡可以在幾分之一秒內預測出該新網絡的參數，理論上可以讓訓練變得不必要。由于超網絡學習了深度神經網絡設計當中極其復雜的模式，因此這項工作也可能具有更深層次的理論意義。
目前為止，超網絡在某些環境下的表現出奇的好，但仍有增長空間——考慮到問題的量級，這是很自然的。如果他們能解決這個問題，Veli?kovi?說：“這將對機器學習產生很大的影響。”。
變成“超網絡”
目前，訓練和優化深度神經網絡最好的方法是隨機梯度下降（SGD） 技術的各種變種。訓練涉及到將網絡在給定任務（例如圖像識別）中所犯的錯誤最小化。 SGD 算法通過大量標記數據來調整網絡參數，并減少錯誤或損失。梯度下降是從損失函數的高位值一級級向下降到某個最小值的迭代過程，代表的是足夠好的（或有時候甚至是可能的最好）參數值。
但是這種技術只有在你有需要優化的網絡時才有效。為了搭建最開始的神經網絡（一般由從輸入到輸出的多層人工神經元組成），工程師必須依靠自己的直覺和經驗法則。這些結構在神經元的層數、每層包含的神經元數量等方面可能會有所不同。
梯度下降算法讓網絡沿著其“損失景觀”向下走，其中高位值表示較大錯誤或損失。算法旨在找到全局最小值，讓損失最小化。
理論上可以從多個結構出發，然后優化每個結構并選出最好的。但Google Brain 訪問學者 MengYe Ren 說：“訓練需要花費相當多的時間，要想訓練和測試每以個候選網絡結構是不可能的。這種做法擴展不好，尤其是如果要考慮到數百萬種可能設計的話。”
于是 2018 年，Ren 與自己在多倫多大學的前同事 Chris Zhang ，以及他們的指導 Raquel Urtasun 開始嘗試一種不同的方法。
展開 融合深度學習與CAE技術的結構分析與優化設計：一種新興的數值方法”提升工程仿真效率
而人工智能，特別是深度學習的應用，正在推動材料科學領域的革命。通過將物理學定律與深度學習模型結合，如物理信息神經網絡（PINN），工程師可以實現更為精確的疲勞與斷裂分析。AI技術的引入，不僅使得傳統的疲勞與斷裂分析方法更為高效，而且能夠自動處理非結構化數據，如圖像、傳感器數據等，打破了傳統方法的限制，提升了預測的精度和應用的廣泛性。
物理神經網絡
物理信息神經網絡（PINN）的興起近年來，物理信息神經網絡（Physics-Informed Neural Networks, PINN）成為計算科學與人工智能交叉領域的前沿方向。傳統數值方法（如有限差分法、有限單元法）在高維、強非線性或反演問題中面臨計算效率低、網格依賴性強等瓶頸。PINN通過將控制方程、邊界條件等物理先驗嵌入神經網絡，以無網格方式實現微分方程求解，在流體力學、固體力學、傳熱學等領域展現出突破性潛力。其核心論文（引用超13,000次）開創了物理驅動深度學習的范式，成為Nature、CMAME等頂刊的研究熱點。2. 傳統數值方法與機器學習的融合需求有限差分法（FDM）和有限單元法（FEM）雖成熟但依賴離散化，難以處理復雜幾何與多物理場耦合問題。機器學習（如CNN、GNN）雖具備強大的數據擬合能力，但缺乏物理可解釋性。PINN通過融合物理定律與數據驅動，顯著減少訓練數據需求，提升泛化性能，并在參數反演、方程發現等逆問題中展現獨特優勢。此外，深度能量法（DEM）等變體進一步結合能量變分原理，為固體力學問題提供高效解決方案。3. 大模型賦能科學計算的新機遇以DeepSeek、ChatGPT為代表的大模型技術，正在顛覆傳統科學編程模式。通過自然語言交互生成PINN代碼，可加速復雜瞬態問題的求解流程。
展開 機器學習與深度學習 ￥9.9
以下內容關于機器學習與深度學習的入門資料。
基于深度學習的2D圖像深度估計:從單目到多目
最近學習總結分享，關于深度立體匹配和多視角立體幾何：
機器學習與深度學習簡述和工程案例展示
機器學習(Machine Learning)，是一門人工智能的科學，是通過用算法解析數據，不斷學習，對世界中發生的事做出判斷和預測的一項技術。
深度學習(Deep Learning)，是用于建立、模擬人腦進行分析學習的神經網絡，并模仿人腦的機制來解釋數據的一種機器學習技術。
人工智能、機器學習與深度學習的關系
工程應用中 機器學習與深度學習的主要區別有以下幾方面：
機器學習典型過程：
（1）首先在計算機中存儲歷史的數據。
（2）將這些數據通過機器學習算法進行處理，這個過程在機器學習中叫做“訓練”。
（3）處理的結果可以被我們用來對新的數據進行預測，這個結果一般稱之為“模型”。
（4）對新數據的預測過程在機器學習中叫做“預測”。
“訓練”與“預測”是機器學習的兩個過程，“模型”則是過程的中間輸出結果，“訓練”產生“模型”，“模型”指導 “預測”。
機器學習與人類思考的類比
深度學習的主要差異：
深度學習不需要我們去提取特征，而是自動地對數據進行篩選，自動地提取數據高維特征。如下圖所示，深度學習與機器學習中的監督學習一般方法相比，少了特征工程，節約了工程師們大量工作時間。
展開 關于“人工智能與機器學習”python-深度學習
Python 機器學習與人工智能深度學習案例實踐——課程大綱（配備機器學習教材）
第
一
節
Python與TensorFlow
1．機器學習與數據挖掘的基本概念、聯系及區別
2．機器學習和大數據、人工智能及其他學科領域的關系
3．機器學習和深度學習的關系
4．機器學習方法的分類及本課程內容
（1）有監督學習：分類、回歸
（2）無監督學習：聚類
（3）強化學習
（4）半監督學習
5．機器學習應用的一般流程
（1）對象的表示
（2）訓練/學習
（3）測試/應用
6．機器學習的典型應用案例
（1）機器學習在自然語言理解領域的應用(機器翻譯、智能問答)
（2）機器學習在多媒體處理領域的應用
(人臉識別、視頻分析)
（3）機器學習在語音處理領域的應用(語
音識別、語音合成)
（4）機器學習在網絡安全領域的應用(入
侵檢測、惡意軟件識別)
（5）機器學習在互聯網上的應用(搜索引
擎、計算廣告、推薦系統)
代碼和案例實踐：
1.卷積與(指數)移動平均線
2.股票數據分析
3.缺失數據的處理
4.環境數據異常檢測和分析
第
二
節
回歸分析
1．線性回歸
（1）回歸的基本概念
（2）線性回歸
（3）對率(Logistic)回歸
（4）嶺(Ridge)回歸
（5）Lasso 回歸
（6）Elastic Net
2．Logistic/Softmax回歸
展開 MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
34：Simulink仿真例題講解
五：經典應用技術
第十三講 數值計算
第十四講 插值與擬合
第十五講 最優化技術
知識點35：數值微積分 知識點36：解微分方程
知識點37：插值 知識點38：擬合
知識點39：線性規劃 知識點40：最大值最小化
知識點41：有約束的非線性優化
六：智能優化和機器學習
第十六講 智能優化技術
第十七講 有監督模式分類
第十八講 無監督機器學習
知識點42：粒子群優化 知識點43：遺傳算法
知識點44：蟻群算法 知識點45：最小二乘
知識點46：支持向量機 知識點47：集成分類
知識點48：無監督降維 知識點49：k-means聚類
知識點50：譜聚類 機器學習經典案例
七：神經網絡和深度學習
第十九講 卷積神經網絡
第二十講 深度學習
知識點51：機器學習和神經網絡
知識點52：訓練網絡和后向傳播
知識點53：自動特征提取 知識點54：深度學習技術
知識點55：卷積神經網絡
知識點56：卷積神經網絡做手寫體數字識別
八：圖像處理和高級編程技術
第二十一講 圖形界面設計
第二十二講 圖像處理
第二十三講 程序優化
知識點57：GUI使用方法 知識點58：GUI例題講解
知識點59：讀寫圖像文件 知識點60：讀寫視頻文件
知識點61：圖像降噪 知識點62：灰度均衡
知識點63：程序效率 知識點64：矢量化和矩陣化
知識點65：空間換時間 知識點66：處理異常情況
九：經驗分享與問題答疑
第二十四講 答疑與學習平臺
1、針對學員面對的實踐問題展開討論
展開 
三個相關概念：深度學習Vs機器學習Vs模式識別
機器學習：從樣本中學習的智能程序
在90年代初，人們開始意識到一種可以更有效地構建模式識別算法的方法，那就是用數據（可以通過廉價勞動力采集獲得）去替換專家（具有很多圖像方面知識的人）。因此，我們搜集大量的人臉和非人臉圖像，再選擇一個算法，然后沖著咖啡、曬著太陽，等著計算機完成對這些圖像的學習。這就是機器學習的思想。“機器學習”強調的是，在給計算機程序（或者機器）輸入一些數據后，它必須做一些事情，那就是學習這些數據，而這個學習的步驟是明確的。相信我，就算計算機完成學習要耗上一天的時間，也會比你邀請你的研究伙伴來到你家然后專門手工得為這個任務設計一些分類規則要好。
圖3 典型的機器學習流程（圖來源于 Natalia Konstantinova 博士的博客）。
在21世紀中期，機器學習成為了計算機科學領域一個重要的研究課題，計算機科學家們開始將這些想法應用到更大范圍的問題上，不再限于識別字符、識別貓和狗或者識別圖像中的某個目標等等這些問題。研究人員開始將機器學習應用到機器人（強化學習，操控，行動規劃，抓取）、基因數據的分析和金融市場的預測中。另外，機器學習與圖論的聯姻也成就了一個新的課題—圖模型。每一個機器人專家都“無奈地”成為了機器學習專家，同時，機器學習也迅速成為了眾人渴望的必備技能之一。然而，“機器學習”這個概念對底層算法只字未提。我們已經看到凸優化、核方法、支持向量機和Boosting算法等都有各自輝煌的時期。再加上一些人工設計的特征，那在機器學習領域，我們就有了很多的方法，很多不同的思想流派，然而，對于一個新人來說，對特征和算法的選擇依然一頭霧水，沒有清晰的指導原則。但，值得慶幸的是，這一切即將改變……
3. 深度學習：一統江湖的架構
快進到今天，我們看到的是一個奪人眼球的技術—深度學習。
展開 人工智能的三個分支：認知、機器學習、深度學習
c) 部署
機器學習需要從計算機科學實驗室進入到軟件當中。越來越多像CRM、Marketing、ERP等的供應商，正在提高嵌入式機器學習或與提供它的服務緊密結合的能力。
◆◆ ◆
3) 深度學習(Deep Learning)
如果機器學習是前沿的，那么深度學習則是尖端的。這是一種你會把它送去參加智力問答的AI。它將大數據和無監督算法的分析相結合。它的應用通常圍繞著龐大的未標記數據集，這些數據集需要結構化成互聯的群集。深度學習的這種靈感完全來自于我們大腦中的神經網絡，因此可恰當地稱其為人工神經網絡。
深度學習是許多現代語音和圖像識別方法的基礎，并且與以往提供的非學習方法相比，隨著時間的推移具有更高的準確度。
希望在未來，深度學習AI可以自主回答客戶的咨詢，并通過聊天或電子郵件完成訂單。 或者它們可以基于其巨大的數據池在建議新產品和規格上幫助營銷。或者也許有一天他們可以成為工作場所里的全方位助理，完全模糊機器人和人類之間的界限。
人工智能通過在其上使用的數據規模來生存和改進，這意味著不但我們能夠隨著時間的推移看到更好的人工智能，而且它們的發展將會圍繞著那些可以挖掘最大數據集的組織。
來源于網絡
展開 AMD EPYC Genoa 9654雙路八卡深度學習，機器學習GPU服務器
、影視特效、數值計算、大數據分析、圖像處理、人工智能、人臉識別、仿真、設計研發等行業。
【3月20-22日 線上】MATLAB數據分析、圖形圖像處理、機器學習與深度學習培訓班
29：二維數據可視化
知識點30：三維數據可視化 知識點31：生成動畫
知識點32：三維場景控制
知識點33：Simulink仿真使用方法
知識點34：Simulink仿真例題講解
五：經典應用技術
第十三講 數值計算
第十四講 插值與擬合
第十五講 最優化技術
知識點35：數值微積分 知識點36：解微分方程
知識點37：插值 知識點38：擬合
知識點39：線性規劃 知識點40：最大值最小化
知識點41：有約束的非線性優化
六：智能優化和機器學習
第十六講 智能優化技術
第十七講 有監督模式分類
第十八講 無監督機器學習
知識點42：粒子群優化 知識點43：遺傳算法
知識點44：蟻群算法 知識點45：最小二乘
知識點46：支持向量機 知識點47：集成分類
知識點48：無監督降維 知識點49：k-means聚類
知識點50：譜聚類 機器學習經典案例
七：神經網絡和深度學習
第十九講 卷積神經網絡
第二十講 深度學習
知識點51：機器學習和神經網絡
知識點52：訓練網絡和后向傳播
知識點53：自動特征提取 知識點54：深度學習技術
知識點55：卷積神經網絡
知識點56：卷積神經網絡做手寫體數字識別
八：圖像處理和高級編程技術
第二十一講 圖形界面設計
第二十二講 圖像處理
第二十三講 程序優化
知識點57：GUI使用方法 知識點58：GUI例題講解
知識點59：讀寫圖像文件
展開 